第三章：反洗钱数据特征工程

各位同学，今天我们来聊聊反洗钱建模中最“脏”也最“关键”的一步——特征工程。说实话，我在这个领域摸爬滚打这么多年，见过太多模型因为特征没做好而翻车的案例。你想想看，数据质量不行，再牛的深度学习模型也是白搭。

3.1 交易数据清洗——别让脏数据毁了你的模型

数据清洗这事儿，听起来简单，做起来全是坑。我记得刚入行那会儿，接手一个银行的反洗钱项目，数据量大概有5000万条交易记录。我心想，这不就是去去空值、删删重复嘛，结果一跑出来，模型AUC只有0.52，跟抛硬币差不多。

后来排查才发现，问题出在数据清洗上。具体来说，有这几个地方特别容易翻车：

• 缺失值处理：交易对手信息、交易渠道这些字段，缺失率可能高达30%以上。我建议不要直接删掉，而是根据业务逻辑填充。比如交易对手为空，可以标记为“未知账户”或填充为“0”。
• 异常值检测：单笔交易金额动辄几个亿，这正常吗？不一定。有些是机构间的大额调拨，有些纯粹是数据录入错误。我习惯用IQR（四分位距）方法先粗筛，再结合业务规则人工复核。
• 重复交易：同一个交易ID出现多次，可能是系统重试导致的。我曾经遇到过一个案例，某笔交易被重复记录了17次，直接导致该账户的“交易频率”特征暴涨。

3.2 特征构建——从原始数据中挖出金子

特征构建是反洗钱建模的核心。说白了，就是把原始的交易流水，转化成能反映洗钱行为的数值特征。我一般从四个维度入手：金额、频率、地域、时间。

3.2.1 金额特征

金额是最直观的特征。但光用原始金额是不够的，需要做一些变换：

• 对数变换：金额分布通常呈长尾分布，取log后更接近正态分布，模型更容易学习。
• 统计量特征：过去7天、30天的平均交易金额、最大金额、最小金额、标准差。这些能反映账户的资金流动模式。
• 整额交易占比：洗钱分子喜欢用整数金额（比如10万、50万）来规避检测。计算一下账户中整额交易的比例，这个特征在实战中非常有效。

# 金额特征构建示例
import pandas as pd
import numpy as np

def build_amount_features(df):
    # 对数变换
    df['amount_log'] = np.log1p(df['amount'])
    
    # 过去30天统计量
    df['avg_amount_30d'] = df.groupby('account_id')['amount'].transform(
        lambda x: x.rolling(30).mean()
    )
    df['std_amount_30d'] = df.groupby('account_id')['amount'].transform(
        lambda x: x.rolling(30).std()
    )
    
    # 整额交易占比（金额为10000的整数倍）
    df['is_round_amount'] = (df['amount'] % 10000 == 0).astype(int)
    df['round_amount_ratio'] = df.groupby('account_id')['is_round_amount'].transform('mean')
    
    return df

3.2.2 频率特征

频率特征反映的是交易活跃度。洗钱账户通常有“快进快出”的特点，交易频率会异常高。

• 交易次数：过去1天、7天、30天内的交易笔数。
• 交易间隔：相邻两笔交易的时间差。间隔越短，越可疑。
• 夜间交易占比：凌晨0点到5点的交易占比。正常用户很少在这个时间段频繁交易。

3.2.3 地域特征

地域特征在跨境洗钱场景中特别重要。我做过一个项目，发现大量可疑交易都指向同一个离岸金融中心。

• 高风险地区交易占比：根据FATF（反洗钱金融行动特别工作组）名单，标记高风险国家/地区，计算交易占比。
• 地域分散度：交易对手涉及的不同城市/国家数量。分散度越高，越可疑。
• 地理距离：交易双方的地理距离。比如一个上海的小商户，频繁跟新疆的账户交易，这就不太正常。

3.2.4 时间特征

时间特征能捕捉交易的时间规律。洗钱分子往往会避开正常的工作时间。

• 小时特征：交易发生在几点？可以分桶处理（0-6点、6-12点、12-18点、18-24点）。
• 星期特征：周末交易占比。正常企业很少在周末进行大额交易。
• 节假日特征：节假日前后往往是洗钱高发期。我习惯把“距离最近节假日的天数”作为一个特征。

3.3 标签生成策略——没有标签怎么办？

反洗钱领域最大的痛点是什么？标签稀缺。真正被确认的洗钱案例少之又少，正负样本比例可能达到1:10000甚至更低。

我常用的标签生成策略有三种：

策略类型	方法描述	适用场景	优缺点
监督学习	使用已确认的可疑交易作为正样本	有历史案例积累的机构	准确率高，但样本量少
半监督学习	用规则引擎生成“疑似标签”，再人工复核	规则明确但人力有限	样本量扩大，但噪声增加
无监督学习	用聚类或异常检测发现离群点	完全没有标签的新业务	可以发现新模式，但解释性差

另外，时间窗口标签也很重要。比如“交易发生后30天内是否被举报”，这个窗口期设置得太短会漏掉案例，太长又会引入噪声。我一般会设置7天、30天、90天三个窗口，分别训练模型，然后做模型融合。

3.4 数据不平衡处理——让模型关注少数派

数据不平衡是反洗钱建模的“老熟人”了。正样本可能只有0.1%，直接训练的话，模型会学成一个“永远预测正常”的废物。

我常用的处理方法有这几种：

• 过采样（SMOTE）：合成少数类样本。但要注意，SMOTE在反洗钱场景中容易生成“不真实”的样本。我曾经试过，生成的样本在业务上完全不合理，比如一个从未出过国的用户，突然有了跨境交易记录。
• 欠采样：随机删除多数类样本。简单粗暴，但会丢失大量信息。我建议用“NearMiss”方法，只保留离正样本最近的负样本。
• 代价敏感学习：给正样本更高的权重。比如设置class_weight='balanced'，让模型更关注少数类。这个方法在深度学习框架中很容易实现。
• 异常检测方法：把反洗钱问题转化为异常检测问题。用Isolation Forest、AutoEncoder等模型，直接检测离群点。

# 代价敏感学习示例（PyTorch）
import torch.nn as nn

# 计算类别权重
pos_weight = torch.tensor([100.0])  # 正样本权重设为负样本的100倍
criterion = nn.BCEWithLogitsLoss(pos_weight=pos_weight)

# 训练时，模型会自动给正样本更高的惩罚

好了，关于反洗钱数据特征工程，核心内容就是这些。数据清洗、特征构建、标签生成、不平衡处理，这四个环节环环相扣，任何一个环节出问题，模型效果都会大打折扣。希望这些经验能帮你少走一些弯路。

---